Utforska beslutsträdsreglerna

I den här övningen extraherar du if-else-reglerna från beslutsträdet och visualiserar dem för att identifiera de viktigaste drivkrafterna bakom churn.

Det anpassade beslutsträdet är inläst som mytree och de skalade särdragen är inlästa som en pandas DataFrame kallad train_X. Modulen tree från biblioteket sklearn och biblioteket graphviz har redan laddats in åt dig.

Observera att vi har använt en egendefinierad funktion display_image() i stället för display(graph) för att göra det enklare för dig att se resultatet.

Den här övningen är en del av kursen

Maskininlärning för marknadsföring i Python

Visa kurs

Övningsinstruktioner

Exportera graphviz-objektet från det tränade beslutsträdet.
Tilldela särdragsnamnen.
Ange precisionen till 1 och lägg till klassnamnen.
Anropa funktionen Source() från graphviz och skicka in det exporterade graphviz-objektet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Export graphviz object from the trained decision tree 
exported = tree.___(decision_tree=mytree, 
			# Assign feature names
            out_file=None, ___=train_X.columns, 
			# Set precision to 1 and add class names
			precision=1, ___=['Not churn','Churn'], filled = True)

# Call the Source function and pass the exported graphviz object
graph = graphviz.___(exported)

# Display the decision tree
display_image("/usr/local/share/datasets/decision_tree_rules.png")

Redigera och kör kod